Skip to content

Latest commit

 

History

History

segnet_caffe

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
benchmark
benchmark
 
 
export_model
export_model
 
 
gen_model
gen_model
 
 
infer_cpp
infer_cpp
 
 
README.md
README.md
 
 
env.sh
env.sh
 
 
requirements.txt
requirements.txt
 
 
run.sh
run.sh
 
 

README.md

SegNet_Caffe

MagicMind 是面向寒武纪 MLU 的推理加速引擎。MagicMind 能将 AI 框架(Tensorflow,PyTorch,ONNX 等) 训练好的算法模型转换成 MagicMind 统一计算图表示,并提供端到端的模型优化、代码生成以及推理业务部署能力。

本 sample 探讨如何使用将 SegNet 网络的 Caffe 实现转换为 MagicMind 模型，进而部署在寒武纪 MLU 板卡上。

目录

1. 模型概述

本例使用的 SegNet 实现来自 github 开源项目https://github.com/alexgkendall/SegNet-Tutorial/tree/2d0457ca20a7d22a81f07316bc04b2f26992730c。 下面将展示如何将该项目中 Caffe 实现的 SegNet 模型转换为 MagicMind 的模型。

2. 前提条件

请移至主页面 README.md的2.前提条件

3. 快速使用

3.1 环境准备

请移至主页面 README.md的3.环境准备

3.2 下载仓库

# 下载仓库
git clone 本仓库
cd magicmind_cloud/buildin/cv/segmentation/segnet_caffe

在开始运行代码前需要先检查 env.sh 里的环境变量，根据数据集实际路径修改 env.sh 内的 VOC2012_DATASETS_PATH, 并且执行以下命令：

source env.sh

3.3 下载数据集,模型

cd ${PROJ_ROOT_PATH}/export_model
bash run.sh

3.4 编译 MagicMind 模型

cd ${PROJ_ROOT_PATH}/gen_model
# bash run.sh <magicmind_model> <precision> <batch_size> <dynamic_shape>
# 指定您想输出的magicmind_model路径，例如./model
bash run.sh ${magicmind_model} force_float32 1 true

3.5 执行推理

cd ${PROJ_ROOT_PATH}/infer_cpp
#bash run.sh <magicmind_model>  <batch_size> <image_num>
bash run.sh ${magicmind_model} 1 1449

精度计算

python $UTILS_PATH/compute_voc_mIOU_segnet.py --output_dir $PROJ_ROOT_PATH/data/output/infer_cpp_output_force_float32_true_1

结果：

Evaluating: 100%|███████████████████████████████████████████████████████████████████████████████████| 1449/1449 [00:04<00:00, 302.06it/s]
mIOU : 0.8842283867496735

3.6 一键运行

以上 3.3~3.5 的步骤也可以通过运行cd magicmind_cloud/buildin/cv/segmentation/segnet_caffe && bash run.sh 来实现一键执行

4. 高级说明

4.1 gen_model 高级说明

Caffe SegNet 模型转换为 MagicMind SegNet 模型分成以下几步：

  • 使用 MagicMind Parser 模块将 Caffe 文件解析为 MagicMind 网络结构。
  • 模型量化。
  • 使用 MagicMind Builder 模块生成 MagicMind 模型实例并保存为离线模型文件。

参数说明:

注意： 在gen_model内使用了一些公共的组件，例如arg解析、第三方框架（如Caffe）模型解析、MagicMind 配置设定等，这些公共组件以及公共参数如batch_size, device_id的说明详见：python公共组件的README.md

大部分参数为公共参数，网络特定参数如下：

  • image_dir: 输入图像目录，程序对该目录下所有后缀为 jpg 的图片执行分割任务。

4.2 infer_cpp 高级说明

概述： 本例使用 MagicMind C++ API 编写了名为 infer.cpp 的基于 SegNet 网络的图像分割程序(图像预处理=>推理=>后处理)，可高效地完成图像分类任务。

参数说明:

  • magicmind_model: MagicMind 离线模型存放目录。
  • image_dir: 数据集存放目录。
  • image_list: 图片 file list。
  • output_dir: 输出存放目录。
  • save_txt : 是否保存输出 txt。

注意： 在infer_cpp内使用了一些公共的组件，例如model_runner、日志系统、device抽象等，这些公共组件的说明详见：cpp公共组件的README.md

5. 精度和性能 benchmark

5.1 性能 benchmark 测试

本仓库通过寒武纪提供的 Magicmind 性能测试工具 mm_run 展示性能数据

#查看参数说明
mm_run --h
mm_run --magicmind_model ${magicmind_model} --batch_size ${batch_size} --iterations 1000

或者通过一键运行 benchmark 里的脚本：

cd ${PROJ_ROOT_PATH}/benchmark
bash perf.sh

5.2 精度 benchmark 测试

一键运行 benchmark 里的脚本跑出 SegNet 在 VOC2012 数据集上的 mIOU 如下：

cd ${PROJ_ROOT_PATH}/benchmark
bash eval.sh
Model Precision Batch_Size VOC_mIOU
SegNet force_float32 1 0.8842283867496735
SegNet force_float16 1 0.8842193798620179
SegNet qint8_mixed_float16 1 0.8839324729070673

6. 免责声明

您明确了解并同意，以下链接中的软件、数据或者模型由第三方提供并负责维护。在以下链接中出现的任何第三方的名称、商标、标识、产品或服务并不构成明示或暗示与该第三方或其软件、数据或模型的相关背书、担保或推荐行为。您进一步了解并同意，使用任何第三方软件、数据或者模型，包括您提供的任何信息或个人数据（不论是有意或无意地），应受相关使用条款、许可协议、隐私政策或其他此类协议的约束。因此，使用链接中的软件、数据或者模型可能导致的所有风险将由您自行承担。